Principles for Addressing Urban Traffic Monitoring Challenges
Notice bibliographique
Résumé
Performance measurement and data-driven decisions are becoming increasingly critical components of transportation departments to help efficiently allocate resources, effectively operate the transportation system, and intelligently plan for the future. Traffic monitoring programs are fundamental for measuring performance and supporting decisions. Traffic data provide ground truth for understanding vehicular movements by mode (e.g., car, bus, truck, bicycle, walking) and serves as the input for executing essential tasks and responsibilities of government agencies. Despite the importance of traffic count data, many jurisdictions have not invested in developing strategies for establishing a robust, adaptable, and sustainable traffic monitoring program. This position paper provides direction for developing traffic count program strategies based on a best practices review and experience developing traffic count programs in various Canadian jurisdictions. Specifically, it discusses common challenges faced by urban jurisdictions regarding traffic monitoring, illustrates potential implications of insufficient traffic data, and presents a set of guiding principles that jurisdictions can apply to improve their traffic monitoring program. The six principles are responsiveness to need, truth-in-data, consistent practice, base data integrity, data interoperability, and future flexibility. The paper demonstrates the need for a Canadian urban traffic monitoring guide and recommends using the guiding principles as the foundation for this guide. (A) For the covering abstract of this conference see ITRD record number 201310RT334E.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,010 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».